day12生成器

迭代器

        __iter__() 获取迭代器

        __next__() 下一个

 

    生成器

        本质就是迭代器

        两种方式写生成器

            1. 生成器函数

            2. 生成器表达式

 

    生成器函数

        函数内部有yield. yield返回 -> return

        yield可以把函数分段执行

        生成器函数被调用的时候. 返回生成器

        def func():

            yield

        g = func() —— 得到生成器

 

        生成器的用法和迭代器基本一致

        __next__() 开始执行生成器 .  执行到yield.

              直到没有yield. 抛出StopIteration

#  最后的yield后的代码是可以执行的但是会报错. StopIteration

             生成器函数里不要写return

 

        send() 可以给上一个yield传值

send()不可以在第一个位置和最后一个位置出现

         1. 省内存

         2. 惰性机制,  不访问__next__() 就没有值.

         3. 只能向前. 不能反复.

 

各种推导式(简单)

          列表推导式 [结果 for循环 if判断]

          字典推导式 {key: value for循环 if判断}

          集合推导式 {key for循环 if判断}

 

没有元组推导式

 

           生成器表达式(最难)——本质是迭代器. __next__()

          (结果 for循环 if判断)

               惰性机制,  不访问__next__() 就没有值.

              只能向前. 不能反复.

 

g = (i for i in range(10))

# print(list(g)) # 把传递进来的数据转化成列表.  里面包含了for循环

# # list() => for=> __iter__() ==> __next__()

转载于:https://www.cnblogs.com/honghong7725/p/9897578.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值